R u Ready? HS2025 | Psychologie der Digitalisierung - Einheit 10

R u Ready? Reproduzierbare Datenaufbereitung und -analyse mit R

HS 2025


LV-Leitung: Dr. Sandra Grinschgl / MSc. Aaron Friedli
Tutor: BSc. Lars Schilling


10. Einheit, 19.11.2025

Heute:

Muddiest Points!

Gruppe Sandra

Fortsetzung Datenqualität -> Folien EH 9

Zuerst Theorie, dann Hands-On

Hands-on Block 5: Check In

Haben alle einen Long Datensatz (e.g. dat_full_long) mit 318 Zeilen = 2 Zeilen pro Versuchsperson?

Wenn nicht:

dat_full_long <- dat_full |> 
  pivot_longer(cols = c(pre1, pre4),
               names_to = "time_rating",         
               values_to = "rating")

❗Falls ihr bis Ende Lektion noch nicht den LONG Datensatz erstellt und gespeichert habt - meldet euch bei uns

Visualize: Tabellen

• Möglichkeit APA konforme Tabellen in R zu erstellen

Schritt 1: Deskriptive Tabelle erstellen mit summarize

penguins_full <- drop_na(penguins)
penguins_summary <- penguins_full |> 
  group_by(species) |>
  summarize(mean_body_mass = mean(body_mass_g),
            min_body_mass = min(body_mass_g),
            max_body_mass = max(body_mass_g)
            )

penguins_summary

# A tibble: 3 × 4
  species   mean_body_mass min_body_mass max_body_mass
  <fct>              <dbl>         <int>         <int>
1 Adelie             3706.          2850          4775
2 Chinstrap          3733.          2700          4800
3 Gentoo             5092.          3950          6300

Visualize: Tabellen

Schritt 2: kable auf deskriptive Tabelle anwenden

library(knitr)

penguins_summary |>
  kable(
    caption = "Summary of penguin body mass by species",
    digits = 1,
    col.names = c("Species", "Mean body mass (g)", "Min", "Max")
  )

Weitere Formatierungen möglich, z.B. row.names, col.names…siehe Hilfefunktion

apaTables - APA konforme Tabellen von statistischen Analysen

Korrelationstabelle im APA Format –> Kann man auch für Regressionen und ANOVAs verwenden

1.Schritt: Auswahl von Variablen

penguins_subset <- penguins |>
  select(bill_length_mm, bill_depth_mm, flipper_length_mm)

apaTables - APA konforme Tabellen von statistischen Analysen

2.Schritt: Korrelationstabelle for ausgewählte Variablen

Speichert Tabelle als Word Datei

library(apaTables)
apa.cor.table(penguins_subset)

Abbildungen: Visualize (Fortsetzung in EH 11)

Visualisierungen: Reproduktion der Figures aus Grinschgl 2021

Visualisierungen

ggplot2()

Sehr flexibles Paket.

• Plots werden schrittweise “befüllt”

• Alle plots beginnen mit ggplot() und dem verwendeten Datensatz

• Mit aes() definieren wir die elemantaren Elemente der Plots - Variablen die geplottet werden sollen

• mit + können wir geoms, layers und weitere Elemente hinzufügen.

ggplot2() - Cheatsheet

Argumente von ggplot()

• Variablen als Aestheatic Mappings defineren

• Mapping ist immer das zweite argument, “call” kann also auch verkürzt werden.

p <- penguins |>
  ggplot( 
       mapping = 
         aes(x = body_mass_g, 
           y = bill_length_mm))
p

ggplot() - Geoms

• Layers Hinzufügen z.B. ein geom mit +
• Geoms = geometrische Objekte, die die Daten darstellen (z.B. Punkte, Linien)
• Muss je nachdem welche Daten man hat und wie man diese darstellen will ausgewählt werden, z.B.
  • Kategoriale Variable: geom_bar()
  • Kontinuierliche Variable: geom_histogram()
  • 2 kontinuierliche Variablen: geom_point(), geom_line()
  • 2 Kategoriale Variablen: geom_count()
  • Kategorial + Kontinuierlich: geom_boxplot(), geom_violin()

p <- p +
  geom_point()

p

ggplot() - Layers

• Mappings können auch in den Layers definiert werden

p <- p + 
  geom_point(aes(x = body_mass_g, 
           y = bill_length_mm))

p

ggplot() - Layers

• Titel + Achsenbeschriftung (= labs), Regressionslinien, vereinfachtes Design

p <- p +
  geom_smooth(aes(group = 1), method = "lm") +
  theme_classic() +
  labs(
    title = "Relationship Between Body Mass and Bill Length",
    x = "Body Mass (g)",
    y = "Bill Length (mm)"
  )

p

mit theme_ können verschiedene Formatierungen gewählt werden. theme_classic wird typischerweise für APA7 passende Formatierungen gewählt.

ggplot() - Verschiedene Layers/Geoms kombiniert

p2 <- penguins |>
  ggplot(aes(x = island, y = body_mass_g, color = island, shape = sex)) +
  geom_boxplot() +
  geom_jitter(alpha = 0.5)+
  theme_classic()+
  labs(
    title = "Body Mass Per Island and Species", x = "Island", y = "Body Mass (g)")
p2

Abbildungen speichern

ggsave(filename = "my_first_plot.png", plot = p2)

Weitere Ressourcen:

Viel, viel mehr Möglichkeiten als wir hier besprechen, siehe z.B.:

Auflistung von Argumenten

ggplot2 Cheatsheet

R for Data Science – Kapitel 9 & 10:
Kapitel „Layers“

Kapitel „EDA“

Weitere Textelemente in Abbildungen (Kapitel 11)

Hier findet man auch weitere Visualisierungsmöglichkeiten & Informationen dazu, wie man verschiedene Plots neben/untereinander abbilden kann.

Top 50 Visualisierungen mit ggplot2

für Animationen, Signifikanztests, Wordclouds usw.

Heute haben wir:

• Muddiest Points besprochen

• Basics der Datenvisualisierungen kennengelernt

  • Erstellung von Tabellen

  • ggplot()

Reminder: Beim Abschlussprojekt müsst ihr 1 Tabelle oder Abbildung nach Wahl zu den simulierten Daten abgeben.

R Hausübung 2

Abgabe bis Freitag 28.11.2025, 23:55

Peerfeedback bis Mittwoch 03.12.2025 (vor der Einheit)

Achtung: Einhalten der Namensvorgaben!